Introducción al Aprendizaje Estadístico

Marcelo Araya-Salas
Universidad de Costa Rica

¿Qué es el Aprendizaje Estadístico?


  • Utilización de datos para modelar fenómenos, hacer predicciones y tomar decisiones basadas en la información extraída

  • Combina teorías estadísticas con algoritmos computacionales

¿Qué es el Aprendizaje Estadístico?

Inteligencia Artificial: hacer tareas que requieren inteligencia humana

Aprendizaje estadístico: uso de algoritmos para analizar datos, aprender de ellos, y hacer predicciones

¿Qué es el Aprendizaje Estadístico?

Inteligencia Artificial: hacer tareas que requieren inteligencia humana

Aprendizaje estadístico: uso de algoritmos para analizar datos, aprender de ellos, y hacer predicciones

Aprendizaje Profundo: uso de redes neuronales profundas para analizar diversos niveles de abstracción en los datos

Ciencia de Datos: técnicas de análisis, procesamiento, y visualización de datos para extraer información/conocimiento de grandes volúmenes de datos

¿Qué es el Aprendizaje Estadístico?

\[ Y = f(X) + E \]

  • Y: variable dependiente (se quiere predecir o explicar)
  • X: variable(s) independiente(s) con informacióm relevante para predecir Y
  • E: error no reducible

¿Qué es el Aprendizaje Estadístico?

\[ Y = f(X) + E \]

  • sinónimos de Y: variable dependiente, resultado (outcome), etiqueta, objetivo, etc.
  • sinónimos de X: variable independiente, atributo (feature), dimensión, predictor, entrada (input), etc.

¿Para que estimar f(X)?

\[ Y = f(X) + E \]

  • Predicción: predecir valores futuros de Y

  • Inferencia: establecer una relación causal (i.e. estimar el efecto de un cambio en X sobre el cambio en Y)

Aprendizaje estadístico = estimar f(X)

Aplicaciones

  • Economía: Modelado de riesgos y predicción de mercados
  • Medicina: Diagnósticos automatizados y personalización del tratamiento médico
  • Tecnología: Mejora en sistemas de recomendación y asistentes inteligentes

Aplicaciones en Ciencias Cognoscitivas

Crucial para entender cómo procesamos la información, tomamos decisiones y aprendemos. Algunos sub-campos que utilizan estas herramientas:

  • Neurociencia Cognitiva: Identificación de patrones en la actividad cerebral relacionados con diferentes funciones cognitivas
  • Psicología Experimental: Modelado de comportamiento humano y predicción de respuestas psicológicas
  • Neurociencia Computacional: Modelado de la actividad neuronal para simular procesos cerebrales

Aplicaciones: memoria

  • Recuerdo verídico (r = 0.73) y la fuerza de la asociacion entre items (r = -0.43) influyen

\(Y: emoción \sim X: asociacion\ entre\ items + recuerdo\ verídico + ...\)

Aplicaciones: reconocimiento de emociones

\(Y: emoción \sim X: estructura\ acústica\)

Aplicaciones: resilencia al estrés

\(Y:estrés (binaria) \sim X: género + edad + educación + ...\)

Escogiendo el modelo adecuado

Tomado de Badillo et al 2020

Escogiendo el modelo adecuado

Tomado de Badillo et al 2020